CN113068211B - 一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法 - Google Patents

Abstract

本发明公开了一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法，包括：制作数据集；利用数据集对共享权重的长短时记忆网络SWLSTM进行训练，再利用该训练后的SWLSTM网络预测出吞吐量结果Y₁；利用数据集对高斯过程回归模型GPR进行训练，再利用该训练后的GPR模型预测出吞吐量结果Y₂和标准差σ；根据吞吐量结果Y₂和标准差σ，计算吞吐量结果Y₂的95％置信区间{UP,DOWN}；根据吞吐量结果Y₁以及步骤S4得到的置信区间{UP,DOWN}，得出最终的无线接入点吞吐量Y_final。本发明在保证预测准确率和给出预测结果置信区间的同时，相比于RNN、LSTM等模型节省了计算资源和提高了预测效率。

Description

一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法

技术领域

本发明涉及无线局域网无线接入点吞吐量预测技术领域，特别是涉及一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法。

背景技术

随着无线局域网络(WLAN)技术的发展和网络硬件设备性能的进一步提升，当前WLAN网络具备了比过去更强的数据存储、转发和计算能力，这一进步使得机器学习与深度学习技术在WLAN网络有所作为成为可能。在工作和生活信息喷发的时代，人们对无线网络速率，可靠性和业务体验也提出了更高的需求，WLAN网络向智能化方向发展已成为行业必然和大势所趋。

传统无线局域网络射频调优算法主要是考虑减少AP的邻居干扰，来为AP分配合理的信道、功率、带宽，使得WLAN网络整体的同频干扰率降低，以此来提升网络吞吐量。传统算法关注于WLAN本身的问题，忽略了WLAN网络实际负载，也就是忽略了终端用户在WLAN网络中的实际状态对网络调优也应起到指导作用。一个大型的WLAN网络，在某一时刻并不是所有AP都处于繁忙状态，只有少数AP处于高负载状态、其余AP处于轻载或空载状态。因此，传统算法往往导致资源利用率较低，实际工作效果也欠佳。一种AP吞吐量的预测方法能够提前预知AP将来的负载状态，根据AP负载状态实现资源调度，可以进一步提升无线资源的利用率，改善网络环境的同时，避免资源浪费。

AP吞吐量预测，实际上是预测AP吞吐量在一天中的负载情况，本质上是时间序列预测问题。吞吐量变化趋势往往存在一定的规律性，深度学习方法中的LSTM网络可以很好应对时间序列预测问题，或者采用XGBoost和GPR等回归模型进行预测。然而LSTM网络对计算资源和训练时间有较高的需求，很难快速给出预测结果，又由于WLAN网络极易受到第三方干扰源干扰，且终端行为会受非规律事件影响，造成吞吐量序列相较于历史值异常，这对吞吐量预测带来了极大的挑战。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法，本方法通过结合共享权重的长短时记忆网络和高斯过程回归模型来对无线接入点吞吐量进行预测，保证预测准确率和给出预测结果置信区间的同时，相比RNN、LSTM等模型节省了计算资源和提高了预测效率。

为了实现上述目的，本发明提供如下技术方案：

一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法，其特征在于，包括如下步骤：

步骤S1、获取无线局域网络中AP端的时序吞吐量并作为样本，然后对该样本进行数据预处理，得到数据集；

步骤S2、利用所述数据集对共享权重的长短时记忆网络SWLSTM进行训练，得到训练后的SWLSTM网络，再利用该训练后的SWLSTM网络预测出吞吐量结果Y₁；

步骤S3、利用所述数据集对高斯过程回归模型GPR进行训练，得到训练后的GPR模型，再利用该训练后的GPR模型预测出吞吐量结果Y₂和标准差σ；

步骤S4、根据步骤S3得到的吞吐量结果Y₂和标准差σ，计算吞吐量结果Y₂的95％置信区间{UP,DOWN}；

步骤S5、根据步骤S2得到的吞吐量结果Y₁以及步骤S4得到的置信区间{UP,DOWN}，得出最终的无线接入点吞吐量Y_final。

进一步的，所述步骤S1具体包括：

步骤S101、读取采集的AP端吞吐量数据；

步骤S102、对所述吞吐量数据及其对应的数据特征首先进行异常值筛选处理，再按AP进行分割，然后按时间进行排序构造出时间相关的吞吐量序列，制作数据集；

步骤S103、将所述数据集按8:2的比例分为训练集和测试集，其比例按照时间线进行分割，并且所述训练集和所述测试集之间无交集。

进一步的，所述步骤S2具体包括：

步骤S201、将所述训练集输入所述长短时记忆网络SWLSTM中进行训练，当网络模型中的各网络参数达到收敛标准后固定模型网络参数，得到训练后的SWLSTM网络；

步骤S202、利用所述训练后的SWLSTM网络对所述测试集进行预测，获得所述训练后的SWLSTM网络对所述AP端的吞吐量结果Y₁。

进一步的，所述步骤S3具体包括：

步骤S301、将所述训练集输入所述高斯过程回归模型GPR中进行训练，直至模型收敛，保存模型参数，得到所述训练后的GPR模型；

步骤S302、利用所述训练后的GPR模型对所述测试集进行预测，获得所述训练后的GPR模型对所述AP端的吞吐量结果Y₂以及所述吞吐量结果Y₂的标准差σ。

进一步的，所述步骤S4具体包括：

步骤S401、所述训练后的GPR模型获得吞吐量结果Y₂＝[y₂₁,y₂₂,y₂₃,...,y_2n]，标准差为σ＝[σ₁,σ₂,σ₃,...,σ_n]，所述吞吐量结果Y₂与所述标准差σ一一对应；

步骤S402、根据公式(1)和公式(2)计算预测点的置信区间，将计算得到所有置信区间进行构建得到所述置信区间集合{UP,DOWN}，表达式为:

up_i＝y_2i×(1+1.96)×σ_i                                      (1)

down_i＝y_2i×(1-1.96)×σ_i                                     (2)

公式(1)中，up_i表示为预测点置信区间上界，公式(2)down_i表示为预测点置信区间下界，y_2i表示为GPR模型在i处的预测结果。

进一步的，所述步骤S5具体包括：

步骤S501、所述吞吐量结果Y₁＝[y₁₁,y₁₂,y₁₃,...,y_1n]，所述置信区间集合{UP,DOWN}＝{[up₁,down₁],[up₂,down₂],[up₃,down₄],...,[up_n,down_n]}，定义最终的无线接入点吞吐量Y_final的集合为Y_final＝[y_f1,y_f2,y_f3,...,y_fn]；

步骤S502、从所述吞吐量结果Y₁中第一个点开始进行比对，直至最后一点结束比对，比对所述吞吐量结果Y₁中的预测值y_i和[up_i,down_i]，若yi∈[up_i,down_i]，则y_final＝y_i；若y_i>up_i，则y_i＝up_i，否则y_i＝down_i；

最后，输出最终的无线接入点吞吐量Y_final。

本发明的有益效果是：

本发明能够实现无线接入点AP吞吐量的准确预测。根据无线局域网络AP特征预测出AP吞吐量，同时可以给出预测结果的置信区间，增强预测可信度。在此基础上，根据预测出的AP吞吐量变化趋势提前对无线局域网进行资源分配，提升无线局域网络资源利用率。

附图说明

图1为实施例1中基于深度学习和高斯过程回归预测无线接入点吞吐量方法的流程图。

图2为实施例1中共享权重的长短时记忆网络训练与预测流程图。

图3为实施例1中SWLSTM和GPR混合模型结构图。

图4为实施例1中吞吐量预测结果对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

参见图1-图4，本实施提供一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法，该方法根据无线局域网络AP特征预测出AP吞吐量，同时可以给出预测结果的置信区间，增强预测可信度。在此基础上，根据预测出的AP吞吐量变化趋势提前对无线局域网进行资源分配，提升无线局域网络资源利用率。

具体的说，参见图1，本方法具体包括：

步骤S1、获取无线局域网络中AP端的时序吞吐量并作为样本，然后对该样本进行数据预处理，得到数据集X；

更具体的说，步骤S1包括：获取无线局域网络中无线接入点(AP)端的原始数据，筛选出AP端吞吐量数据，包括特征：无线接入点(ap_name)、时间(T)以及标签：吞吐量(throughput)，在根据AP分割、时间排序后，对吞吐量数据时间序列进行数据预处理，取窗，形成大量的时间窗口为w的吞吐量序列，制作数据集X，再将数据集X按照一定比例划分成训练集和测试集。

w窗口的大小设置一般为吞吐量样本时间粒度的整数倍。本实施例中吞吐量的时间粒度为10min，w窗口大小取的是66，每段裁剪的时间序列正好覆盖吞吐量从9:00-20:00工作时间的段落，以此构成数据集X。

步骤S2、利用数据集X对共享权重的长短时记忆网络SWLSTM进行训练，得到训练后的SWLSTM网络，再利用该训练后的SWLSTM网络预测出吞吐量结果Y₁；

更具体的说，在本实施例中，步骤S2包括：利用训练集对基于Keras框架的共享权重的长短时记忆网络SWLSTM进行训练，固定训练好的SWLSTM网络参数，根据测试集特征预测出对应吞吐量结果Y₁。

需要说明的是，本实施例提供的预测无线接入点吞吐量方法并不局限于Keras框架，只要能对数据集X进行训练，且在训练过程中迭代若干次(次的数量级)后达到损失函数收敛并且最终能够实现根据无线局域网络AP特征对吞吐量进行准确预测即可。

步骤S3、利用数据集X对高斯过程回归模型GPR进行训练，得到训练后的GPR模型，再利用该训练后的GPR模型预测出吞吐量结果Y₂和标准差σ；

更具体的说，在本实施例中，利用训练集对基于sklearn库的高斯过程回归模型(GPR)进行训练，得到训练后的GPR模型，根据测试集特征预测出吞吐量结果Y₂和标准差σ。

需要说明的是，本实施例提供的预测无线接入点吞吐量方法并不局限于sklean库，只要能对数据集X进行训练，训练得出的GPR模型能对吞吐量进行准确预测以及给出可靠的置信区间即可。

步骤S4、根据步骤S3得到的吞吐量结果Y₂和标准差σ，计算吞吐量结果Y₂的95％置信区间{UP,DOWN}；

更具体的说，在本实施例中，置信区间展现的是这个吞吐量的真实值有一定概率落在预测结果的周围的程度，其给出的是吞吐量的预测值的可信程度，95％置信区间涵盖了一个正态分布中大部分的点概率，在吞吐量预测问题中其对应的上界和下界为：

up_i＝y_2i×(1+1.96)×σ_i

down_i＝y_2i×(1-1.96)×σ_i

步骤S5、根据步骤S2得到的吞吐量结果Y₁以及步骤S4得到的置信区间{UP,DOWN}，得出最终的无线接入点吞吐量Y_final。

更具体的说，在本实施例中，步骤S5包括：利用SWLSTM的预测结果Y₁＝[y₁₁,y₁₂,y₁₃,...,y_1n]和GPR模型给出置信区间为：

{UP,DOWN}＝{[up₁,down₁],[up₂,down₂],[up₃,down₄],...,[up_n,down_n]}，根据y_1i是否落在置信区间[up_i,down_i]，若是，则该点最终预测值y_fi＝y_1i，否则，越过上界则y_fi＝up_i，越过下界则y_fi＝down_i，则最终预测结果为Y_final＝[y_f1,y_f2,y_f3,...,y_fn]。

从数据中学得模型的过程称为训练或学习，将数据训练集输入到SWLSTM网络中，SWLSTM网络学习无线接入点(ap_name)、时间(T)等特征与吞吐量序列之间的数学关系，经过上千次迭代训练后，可以得到训练好的SWLSTM模型。通过该模型即可实现根据无线接入点特征预测无线接入点吞吐量。如图2所示，步骤包括：

步骤S201、对于数据集X，将数据集X以8:2的比例分为训练集和测试集，训练集和测试集之间没有交集。训练过程中使用的数据称为训练数据，其中每个样本称为训练样本。训练样本组成的集合称为训练集。而测试集则被用来测试模型对于新样本的判别能力。可理解的，训练集和测试集中AP吞吐量预测样本的比例不限于8∶2，可以设置成任意比例，但需要确保训练集中吞吐量预测样本数量至少是测试集的2倍。

步骤S202、训练SWLSTM模型，达到收敛标准后固定模型网络参数；

步骤S203、根据无线接入点特征，预测未来一段时间吞吐量序列Y₁。

如上所述，在本实施例中，同样以该方法来训练高斯过程回归模型GPR。

如图3所示，该混合模型是SWLSTM与GPR并行的模型，利用相同的数据对两个模型进行训练，当两个模型对相同测试集给出预测结果时，通过GPR模型来纠正快速训练模型SWLSTM给出的预测值，给出最终吞吐量预测值和置信区间。

如图4所示，采用上述算法在某企业园区AP某天9:00-20:00进行吞吐量预测。全天的预测平均绝对误差为400.86，95％置信区间的准确率为83.61％。在使用单GPR模型进行吞吐量预测的平均绝对误差为411.53，说明SWLSTM-GPR模型不仅可以给出预测结果的置信区间，增强预测可信度，且对预测准确性有所提升。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (1)

1.一种基于深度学习和高斯过程回归预测无线接入点吞吐量方法，其特征在于，包括如下步骤：

步骤S1、获取无线局域网络中AP端的时序吞吐量并作为样本，然后对该样本进行数据预处理，得到数据集；

步骤S2、利用所述数据集对共享权重的长短时记忆网络SWLSTM进行训练，得到训练后的SWLSTM网络，再利用该训练后的SWLSTM网络预测出吞吐量结果Y₁；

步骤S3、利用所述数据集对高斯过程回归模型GPR进行训练，得到训练后的GPR模型，再利用该训练后的GPR模型预测出吞吐量结果Y₂和标准差σ；

步骤S4、根据步骤S3得到的吞吐量结果Y₂和标准差σ，计算吞吐量结果Y₂的95％置信区间{UP,DOWN}；

步骤S5、根据步骤S2得到的吞吐量结果Y₁以及步骤S4得到的置信区间{UP,DOWN}，得出最终的无线接入点吞吐量Y_final；

所述步骤S1具体包括：

步骤S101、读取采集的AP端吞吐量数据；

步骤S102、对所述吞吐量数据及其对应的数据特征首先进行异常值筛选处理，再按AP进行分割，然后按时间进行排序构造出时间相关的吞吐量序列，制作数据集；

步骤S103、将所述数据集按8:2的比例分为训练集和测试集，其比例按照时间线进行分割，并且所述训练集和所述测试集之间无交集；

所述步骤S2具体包括：

步骤S201、将所述训练集输入所述长短时记忆网络SWLSTM中进行训练，当网络模型中的各网络参数达到收敛标准后固定模型网络参数，得到训练后的SWLSTM网络；

步骤S202、利用所述训练后的SWLSTM网络对所述测试集进行预测，获得所述训练后的SWLSTM网络对所述AP端的吞吐量结果Y₁；

所述步骤S3具体包括：

步骤S301、将所述训练集输入所述高斯过程回归模型GPR进行训练，直至模型收敛，保存模型参数，得到所述训练后的GPR模型；

步骤S302、利用所述训练后的GPR模型对所述测试集进行预测，获得所述训练后的GPR模型对所述AP端的吞吐量结果Y₂以及所述吞吐量结果Y₂的标准差σ；

所述步骤S4具体包括：

步骤S401、所述训练后的GPR模型获得吞吐量结果Y₂＝[y₂₁,y₂₂,y₂₃,...,y_2n]，标准差为σ＝[σ₁,σ₂,σ₃,...,σ_n]，所述吞吐量结果Y₂与所述标准差σ一一对应；

步骤S402、根据公式(1)和公式(2)计算预测点的置信区间，将计算得到所有置信区间进行构建得到所述置信区间集合{UP,DOWN}，表达式为:

up_i＝y_2i×(1+1.96)×σ_i (1)

down_i＝y_2i×(1-1.96)×σ_i (2)

公式(1)中，up_i表示为预测点置信区间上界，公式(2)中down_i表示为预测点置信区间下界，y_2i表示为GPR模型在i处的预测结果；n代表总预测次数，等价于多少个预测值；i代表当前进行比较的预测值；

所述步骤S5具体包括：

步骤S501、所述吞吐量结果Y₁＝[y₁₁,y₁₂,y₁₃,...,y_1n]，所述置信区间集合

{UP,DOWN}＝{[up₁,down₁],[up₂,down₂],[up₃,down₄],...,[up_n,down_n]}，定义最终的无线接入点吞吐量Y_final的集合为Y_final＝[y_f1,y_f2,y_f3,...,y_fn]；

步骤S502、从所述吞吐量结果Y₁中第一个点开始进行比对，直至最后一点结束比对，比对所述吞吐量结果Y₁中的预测值y_i和[up_i,down_i]，若yi∈[up_i,down_i]，则y_final＝y_i；若y_i>up_i，则y_i＝up_i，否则y_i＝down_i；

最后，输出最终的无线接入点吞吐量Y_final。

Images